数据治理 (DG) 可确保以最有效和最安全的方式保存和使用最有价值的业务资产企业数据。也就是说，数据治理对组织政策、流程、技术以及负责的员工提出了巨大的要求，以开发一个可执行的框架，从其核心架构到实施阶段。
企业数据治理是一个整体框架，涉及合格人员和计划的政策和流程，以充分利用先进的数据技术，确保数据的最佳保存和使用。任何企业的主要治理目标都是提高数据质量，降低数据管理成本，并在高度受控的环境中为所有人提供数据访问权限。
企业实现其 DG 目标的方式通常是制定严格的政策、标准和指标，以达到预期的数据驱动结果。在最基本的层面上，DG 政策规定了访问和管理数据集的规则，同时遵守所有适用的隐私和安全法规。
这 数据治理研究所 将数据治理定义为：
“信息相关流程的决策权和问责制系统，根据商定的模型执行，该模型描述了谁可以对什么信息采取什么行动，以及何时、在什么情况下、使用什么方法。”
大流行放大了企业数据的价值
根据一个太极数据在 2020 年 10 月进行的一项研究中，91% 的受访者一致认为，大流行导致其组织中的数据价值“飙升”。此外，94% 的受访高管同意“数据是一项重要资产”。
虽然重要性数据驱动的洞察力决策不断增加，另一方面的观点是“垃圾进，垃圾出”，这表明基于劣质数据的见解或决策只会产生糟糕的结果。不良数据会对企业产生长期影响——它会永久破坏客户和其他利益相关者的信任！
根据高德纳, “87% 的企业的 BI 和分析成熟度较低。” 由于这种令人沮丧的状况，大多数组织都在努力利用其数据资产。Gartner 将 BI 较低的组织归类为“基本”或“机会主义”。Gartner 重申，基础级别的组织仅限于电子表格类型的分析，而机会主义级别的组织包含追求孤立数据和分析活动的业务部门，没有任何集中控制。
该研究的四项建议之一是数据治理计划需要在每个组织中实施，以提高对 DG 在企业数据管理和分析中的重要性和好处的认识。
业务分析或 BI 中的 DG
演讲者在BI 治理网络研讨会解释说，“BI Governance”和“Data Governance”这两个在 BI 环境中经常使用的术语彼此完全不同。该网络研讨会深入探讨了与企业 BI 相关的治理活动，值得回顾。
随着数据驱动的组织逐渐远离特定任务的应用程序，数据孤岛已被遗忘。现代企业欢迎跨不同业务部门和职能的无缝“数据流”。
随着下一代技术的日益普及，如人工智能和
机器学习 (ML)，数据质量的重要性和数据治理也在上升。根据同 太极数据 先前引用的研究表明， 77% 的受访高管认为他们的“组织现在更加关注数据准确性”。
通常，当进一步分析业务数据以进行比较评论或竞争情报时，这种做法称为商业智能(BI) 或业务分析。在 BI 的情况下，数据治理计划表示“对数据及其相关资源的管理执行和执行权限的过程”。
借助支持数据治理的 BI，企业希望在更短的时间内做出更好的决策。根据行业监管机构的说法，随着时间的推移，高级 BI 功能将变得更容易和免费使用。一种福布斯研究 确认具有有效 DG 支持的 BI 实践的组织都报告了其 BI 投资的“突破性投资回报率”。
在数据治理终极指南, 作者 Elizabeth Mixson 评论道，“
数据分析的核心在于数据治理，它是数据质量、可用性和安全性的无名英雄。”
以下是 DG 组件共同改进组织分析和 BI 实践的一些方式：
数据架构提供了使组织数据管理战略与组织战略保持一致的蓝图。
数据质量(DQ) 充当组织内使用的“准确、完整、及时和一致的数据”的看门人。
数据管理员为整个数据治理框架中的每个数据交互点开发控制和检查点。
数据建模 帮助组织破译物理级别的数据库设计或逻辑级别的业务功能。
数据存储策略提供对数据库管理、数据生命周期管理、许可等的控制。
元数据管理分解存储数据的详细信息。
数据安全策略有助于打击安全漏洞， 平均成本 其中 2019 年为 392 万美元。
危险品还有助于在不同系统之间建立无缝数据集成和互操作性，这对于预测分析的成功至关重要。
最后，看看 Medium 作者 Kavika Roy 是如何描述数据治理可以提高商业智能的 4 种方式.
自助式 BI 的数据治理
在大多数组织中，DG 团队的一个重要目标是“降低不当使用数据的风险”。据一位试图分享背后真实故事的作者说自助式商业智能 DG，喜欢冒险的商业用户经常使用他们的创造性解决方案来避免在他们的组织内受到“DG 政策”的惩罚。这些冒险者使用“带有手动输入数据的 Excel 文件和 SharePoint 列表”以自己的方式实现目标。
折衷方案可能是托管自助式 BI，业务用户可以在其中访问他们需要的数据，但要严格遵守 DG 团队建立的系统和流程。在这种情况下，DG 集团和业务用户成为盟友，并在严格的条件下提供数据访问。
从上面超链接的有见地的文章中最大的收获是 DG 和自助式 BI 是盟友，应该被视为盟友。DG 计划通常从计划开始，但计划通常会随着组织战略的变化而改变。这种独特的平衡行为是在全球企业的帮助下实现的电源 BI。
另一方面，BI 增强 DG 实践通过在组织系统和流程中内置（嵌入）智能分析。支持 BI 的 DG 实践的最终目标是超越质量指标并开始探索系统错误的根本原因，例如检测不良数据的来源、监控特定系统中的错误频率或分析数据质量是否随着时间的推移而有所改善，如何。这种针对 DG 实践的复杂分析只能在嵌入式 BI 中实现。
BI 中的数据治理：示例和好处
以下是企业 BI 的一些 DG 用例：
在具有大量用户群的基于 SaaS 的业务模型中，必须以安全的方式存储和使用客户数据进行分析。因此，需要一个强大的 DG 策略来确保客户数据的安全。
客户行为数据跟踪和对该数据的深入分析已成为改进产品和增加业务收入的关键实践。DG 在处理客户行为数据以进行深度分析和 BI 方面发挥着关键作用。
近年来，数据泄露对全球企业造成了严重破坏。DG 可以帮助建立和维护必要的监管政策，以避免与数据泄露相关的灾难。
DG 对 BI 的好处：
DG 确保对业务数据进行及时准确的分析，从数据采集开始，到报告结束。支持 DD 的 BI 有更高的机会发现风险和机会。
DG 通过简化跨组织系统和流程的数据流来改进运营流程，从而实现更快、更好的决策。
DG 增强了电子邮件系统的安全性并降低了机密信息丢失的可能性。
DG 提高数据质量 (DQ)，这是企业 BI 的生命线。
DG 确保企业数据只有一个真实版本，高度可控且值得信赖。
由于 DG，BI 的数据管理符合所有监管政策和标准。
虽然 BI 表示高度技术驱动数据管理在实践中，DG 是指将整体业务目标与企业分析目标保持一致的整体战略或框架。DG 将数据转换为战略资产。
扫码加好友，拉您进群
全部版块
我的主页
收藏
